Concentration Determination Disciplines Of Final Project ...1Program Studi Informatika, Fakultas...

TRANSFORMATIKA, Vol.15, No.2, January 2018, pp. 74 - 85 ISSN: 1693-3656, journals.usm.ac.id/index.php/transformatika page 74

Received December 06, 2017; Revised December 06, 2017; Accepted December 27, 2017

Concentration Determination Disciplines Of Final Project Using Simple Additive Weighting (SAW) Method Khoirudin

1, M.Z. Abdillah

2, S.R. Cholil

3

1Program Studi Informatika, Fakultas TIK, Universitas Semarang

Jl. Soekarno Hatta, telp: 024-6702757, e-mail: [email protected] 2 Program Studi Informatika, Fakultas TIK, Universitas Semarang

Jl. Soekarno Hatta, telp: 024-6702757, e-mail: [email protected] 3Program Studi Informatika, Fakultas TIK, Universitas Semarang

Jl. Soekarno Hatta, telp: 024-6702757, e-mail: [email protected] ARTICLE INFO

Article history:

Received 06 December 2017

Received in revised form 06 December

2017

Accepted 27 December 2017

Available online 25 January 2018

ABSTRACT

A final project is the last project that must be made by a student

before obtaining a degree. In practice students often experience

confusion in determining the topic to be taken or what the

concentration will serve as the topic of the final projects, where the

topic is in accordance with their competence. Simple Additive

Weighting (SAW) which is also known as weighted linear

combination or scoring method is a simple and most often used

multi attribute decision technique. This SAW method we trying to

use to determine the final projects what is in accordance with the

competence of students in the department of informatics Semarang

Private University Semarang. The Result of this research can be

provide input for students in determining their final projects,

taking into consideration the values they acquired during the

course. With the results of this research is expected the students

will be able to work on their project papers to the maximum.

Keywords: Decision, Support, SAW, Final, Projects

1. PENDAHULUAN

Tugas akhir mahasiswa atau Skripsi merupakan final projek yang harus dikerjakan oleh

mahasiswa, akan tetapi selama ini masih banyak mahasisawa yang kebingungan atau

belum mempunyai gambaran tema dalam menentukan konsentrasi bidang keilmuan mereka

guna untuk dijadikan topik dalam tugas akhir. Mengetahui konsentrasi bidang keilmuan yang

sesuai dengan minat dan bakat mahasiswa sangatlah penting, hal ini dikarenakan akan

mempermudah mahasiswa dalam menyelesaikan tugas akhir, karena tugas akhir yang

nantinya dikerjakan sesuai dengan kompetensi mahasiswa tersebut.

Kesalahan memilih konsentrasi yang sesuai dengan kompetensi dan minat mahasiswa

seringkali mengakibatkan mahasiswa telat dalam menyelesaikan naskah skripsi mereka,

bahkan ada diantara mereka yang butuh waktu hingga beberapa tahun untuk

menyelesaikan naskah skripsi mereka. Hal ini terjadi karena mereka salah dalam memilih

bidang keilmuan yang mereka jadikan sebagai tugas akhir atau skripsi.

Solusi yang peneliti lakukan adalah membuat sebuah Sistem pendukung keputusan

(SPK), dimana sistem ini akan membantu mahasiswa dalam menentukan bidang keilmuan

apa yang paling cocok untuk dikerjakan sebagai tugas akhir dengan melihat kepada record

TRANSFORMATIKA ISSN: 1693-3656 75

Concentration Determination Disciplines Of Final Projects Using Simple Additive Weighting (SAW) Method (Khoirudin)

nilai mahasiswa selama perkuliahan berlangsung. Sehingga diharapkan mahasiswa mampu

mengerjakan skripsinya dengan sebaik-baiknya.

Beberapa penelitian telah memanfaatkan metode Simple Additive Weighting (SAW)

dalam Sistem Pendukung Keputusan (SPK) dan teknologi informasi untuk mendukung

proses kelayakan pemberian kredit[1], penentan jurusan pada SMK Bakti Purwokerto[2],

evaluasi pemilihan pemenang pengadaan aset[3], pemberian bantuan usaha mikro[4].

.

2. Metodolog Penelitian

Dalam penelitian ini data yang kami gunakan adalah data nilai semester 1 sampai

semester 6 mahasiswa program studi Teknik Informatika angkatan 2013, yang kami peroleh

dari Pusat Sistem Informasi terpadu (PSIT) Universitas Semarang. Sedangkat metode

pengolahan data kami menggunakan metode Simple Additive Weighting atau yang dikenal

sebagai metode penjumlahan terbobot, dengan tahapan sebagai berikut[5];

Gambar 1. Tahapan Penelitian

Metode ini mengharuskan pembuat keputusan menentukan bobot bagi setiap

atribut. Skor total untuk sebuah alternatif diperoleh dengan menjumlahkan seluruh hasil

perkalian antara rating dan bobot tiap atribut. Rating tiap atribut haruslah bebas dimensi

dalam arti telah melewati proses normalisasi sebelumnya[6]. Penyelesaian metode SAW

membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat

diperbandingkan dengan semua rating alternatif yang ada[7].

Tahap 1

•Menentukan kriteria dan alternatif.

Tahap 2

•Melakukan nilai bobot pada masing-masing kriteria.

Tahap 3

•Membuat matriks keputusan berdasarkan kriteria.

Tahap 4 •Normalisasi matrik berdasarkan atribut keuntungan atau atribut biaya.

Tahap 5

•penjumlahan dari perkalian matriks ternormalisasi dengan nilai bobot

(cost) biayaatribut adalah j jika

(benefit) keuntunganatribut adalah j

ij

iji

iji

ij

ij

x

xMin

jikaxMax

x

r

76 ISSN: 1693-3656

TRANSFORMATIKA Vol. 15, No. 2, January 2018 : 74 – 85

Dimana rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj ;

i=1,2,...,m dan j=1,2,...,n. Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai:

Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih.

3. HASIL DAN PEMBAHASAN

3.1. Penentuan Kriteria dan Pembobotan

Penentuan konsentrasi bidang keilmuan untuk tugas akhir mahasiswa jurusan

Teknik Informatika didasarkan pada nilai akhir hasil studi mata kuliah yang sudah

ditempuh dari semester 1 sampai dengan semester 6, dan tidak semua dijadikan

sebagai kriteria dalam pengambilan keputusan. Mata kuliah yang akan dijadikan sebagai

kriteria didasarkan pada substansi mata kuliah yang disesuaikan dengan alternatif yang

telah ditentukan. Dari semua mata kuliah yang sudah ditempuh akan diambil 24 mata

kuliah yang akan dijadikan sebagai kriteria dalam pengambilan keputusan. Setelah

ditentukan kriteria, selanjutnya diberikan bobot (W) dari masing-masing kriteria yang

ditunjukkan pada Tabel berikut.

Tabel 1. Tabel kriteria dan pembobotan Mata kuliah

Kode Keterangan Bobot

C1 Sistem Informasi Manajemen 0.04167

C2 Sistem Pendukung Keputusan 0.04167

C3 Fuzzy Logic 0.04167

C4 MPPL 0.04167

C5 Logika Matematika 0.04167

C6 Metode Numerik 0.04167

C7 Kecerdasan Buatan 0.04167

C8 Simulasi dan Game 0.04167

C9 Basis data 0.04167

C10 Algoritma & Struktur Data 0.04167

C11 Pemrograman Basis Data 0.04167

C12 Data Mining 0.04167

C13 Pengantar Web 0.04167

C14 Pemrograman Web 0.04167

C15 Pemrograman Framework 0.04167

C16 Rekayasa Web 0.04167

C17 Sistem Digital 0.04167

C18 Jaringan Komputer 0.04167

n

j

ijji rwV1



Kode Keterangan Bobot

C19 Manajemen Jaringan 0.04167

C20 Komunikasi dan Keamanan Data 0.04167

C21 Desain Grafis 0.04167

C22 Multimedia 0.04167

C23 Interaksi Manusia dan Komputer 0.04167

C24 Animasi Komputer 0.04167

Jumlah 1

Dari kriteria diatas, peneliti selanjutnya menentukan alternatif bidang keilmuan

mahasiswa yang disajikan seperti table 2 berikut :

Table 2. Tabel Aternatif Keilmuan

Kode Keterangan

A1 Decision Support System

A2 Artificial Intelligence

A3 Data Mining

A4 Web Development

A5 Network Development

A6 Desain dan Multimedia

Berdasarkan kriteria dan alternative yang sudah peneliti tentukan, selanjutnya

adalah menentukan presentase nilai dari mata kuliah yang mendukung dari alternative-

alternatif yang dapat dilhat pada Tabel 3 berikut.

Tabel 3a. Presentase nilai yang mendukung alternatif

Nama Mata Kuliah

Presentase

Decision

Support

System

Artificial

Intelegent

Sistem Informasi Manajemen 90% 20%

Sistem Pendukung Keputusan 100% 20%

Fuzzy Logic 85% 20%

MPPL 80% 20%

Logika Matematika 60% 90%

Metode Numerik 60% 85%

Kecerdasan Buatan 50% 100%

Simulasi dan Game 60% 85%

Basis data 40% 50%

Algoritma & Struktur Data 40% 50%

Pemrograman Basis Data 40% 55%

Data Mining 40% 45%

78 ISSN: 1693-3656


Nama Mata Kuliah

Presentase

Decision

Support

System

Artificial

Intelegent

Pengantar Web 25% 25%

Pemrograman Web 25% 25%

Pemrograman Framework 30% 30%

Rekayasa Web 30% 30%

Sistem Digital 20% 35%

Jaringan Komputer 20% 25%

Manajemen Jaringan 20% 30%

Komunikasi dan Keamanan

Data

20% 30%

Desain Grafis 20% 15%

Multimedia 20% 15%

IMK 20% 20%

Animasi Komputer 20% 20%

Tabel 3b. Presentase nilai yang mendukung alternatif

Nama Mata Kuliah

Presentase

Data Mining Web

Development



Fuzzy Logic 50% 20%

MPPL 40% 25%





Basis data 80% 30%



Data Mining 100% 20%









Data 30% 30%



Nama Mata Kuliah

Presentase

Data Mining Web

Development


Multimedia 15% 60%

IMK 20% 60%


Tabel 3c. Presentase nilai yang mendukung alternatif

Nama Mata Kuliah

Presentase

Network

Development

Desain and

Multimedia



Fuzzy Logic 45% 0%

MPPL 55% 0%





Basis data 20% 0%



Data Mining 15% 0%









Data 90% 20%


Multimedia 10% 100%

IMK 10% 90%


80 ISSN: 1693-3656


3.2. Perhitungan data

Data yang digunakan dalam penelitian ini adalah data dari Mahasiswa Universitas

Semarang Jurusan Teknik Informatika Tahun Masuk 2013 yang sampai dengan saat ini

sudah mengambil mata kuliah dari semester 1 sampai dengan semester 6 yang

didapatkan dari PSIT Universitas Semarang. Dari data tersebut akan dilakukan

perhitungan untuk mengetahui konsentrasi bidang keilmuan tugas akhir mahasiswa.

Adapun perhitungan dari data yang kami lakukan uji coba adalah data mahasiswa

seperti yang ada pada Tabel 4.

Tabel 4.Nilai akhir mata kuliah

Nama Mata Kuliah Nilai Akhir

Sistem Informasi Manajemen 68

Sistem Pendukung Keputusan 88

Fuzzy Logic 88

Manajemen Proyek Perangkat Lunak 92

Logika Matematika 75

Metode Numerik 78

Kecerdasan Buatan 88

Simulasi dan Game 89

Basis data 75

Algoritma & Struktur Data 75

Pemrograman Basis Data 75

Data Mining 85

Pengantar Web 85

Pemrograman Web 85

Pemrograman Framework 90

Rekayasa Web 85

Sistem Digital 85

Jaringan Komputer 75

Manajemen Jaringan 79

Komunikasi dan Keamanan Data 75

Desain Grafis 85

Multimedia 90

Interaksi Manusia dan Komputer 75

Animasi Komputer 88

Data dari nilai mata kuliah tersebut selanjutnya diolah sesuai dengan tabel

presetase nilai pendukung dari alternatif.



Table 11a. presetase nilai pendukung alternatif

ALTERNATIF KRITERIA

C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13

Decision Support

System 61,2 88 74,8 73,6 45 46,8 44 53,4 30 30 30 34 21,25

Artificial

Intelligence 13,6 17,6 17,6 18,4 67,5 66,3 88 75,65 37,5 37,5 41,25 38,25 21,25

Data

Mining 27,2 35,2 44 36,8 37,5 42,9 44 48,95 60 67,5 63,75 85 25,5

Web

Development 13,6 17,6 17,6 23 7,5 7,8 8,8 8,9 22,5 15 15 17 85

Network

Development 34 35,2 39,6 50,6 7,5 7,8 8,8 8,9 15 15 15 12,75 17

Desain dan

Multimedia 0 0 0 0 0 0 0 0 0 0 0 0 17

Table 11b. presetase nilai pendukung alternatif ALTERNATIF KRITERIA

C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24

Decision Support

System 21,25 27 25,5 17 15 15,8 15 17 18 15 17,6

Artificial

Intelligence 21,25 27 25,5 29,75 18,75 23,7 22,5 12,75 13,5 15 17,6

Data

Mining 25,5 27 25,5 29,75 18,75 23,7 22,5 12,75 13,5 15 17,6

Web

Development 85 81 76,5 25,5 22,5 23,7 22,5 51 54 45 52,8

Network

Development 17 18 17 68 75 71,1 67,5 8,5 9 7,5 8,8

Desain and

Multimedia 17 18 17 17 15 15,8 15 85 90 67,5 79,2

3.3. Normalisasi Matrik

Berdasarkan perhitungan data nilai maka diperoleh normalisasi matrik sebagai

berikut;

R =

1.000 1.000 1.000 1.000 0.667 0.706 0.500 0.706 0.500 0.444 0.471 0.400

0.222 0.200 0.235 0.250 1.000 1.000 1.000 1.000 0.625 0.556 0.647 0.450

0.444 0.400 0.588 0.500 0.556 0.647 0.500 0.647 1.000 1.000 1.000 1.000

0.222 0.200 0.235 0.313 0.111 0.118 0.100 0.118 0.375 0.222 0.235 0.200

0.556 0.400 0.529 0.688 0.111 0.118 0.100 0.118 0.250 0.222 0.235 0.150

0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

0.250 0.250 0.333 0.333 0.250 0.200 0.222 0.222 0.200 0.200 0.222 0.222

0.250 0.250 0.333 0.333 0.438 0.250 0.333 0.333 0.150 0.150 0.222 0.222

0.300 0.300 0.333 0.333 0.438 0.250 0.333 0.333 0.150 0.150 0.222 0.222

1.000 1.000 1.000 1.000 0.375 0.300 0.333 0.333 0.600 0.600 0.667 0.667

0.200 0.200 0.222 0.222 1.000 1.000 1.000 1.000 0.100 0.100 0.111 0.111

0.200 0.200 0.222 0.222 0.250 0.200 0.222 0.222 1.000 1.000 1.000 1.000

82 ISSN: 1693-3656


Nilai Preverensi untuk setiap alternatif :

V1 = (0,416)(1)+(0,416)(1)+ (0,416)(1)+ (0,416)(1)+

(0,416)(0,666)+ (0,416)(0,705) + (0,416)(0,5)+

(0,416)(0,705) + (0,416)(0,5)+ (0,416)(0,444)+

(0,416)(0,470)+ (0,416)(0,4)+ (0,416)(0,25)+ (0,416)(0,25)+

(0,416)(0,333)+ (0,416)(0,333)+ (0,416)(0,25)+ (0,416)(0,2)+

(0,416)(0,222)+ (0,416)(0,222)+ (0,416)(0,2)+ (0,416)(0,2)+

(0,416)(0,222)+ (0,416)(0,222) = 0,47

V2 = (0,416)(0,222)+ (0,416)(0,2)+ (0,416)(0,235)+ (0,416)(0,25)+

(0,416)(1)+ (0,416)(1)+ (0,416)(1)+ (0,416)(1)+

(0,416)(0,625)+ (0,416)(0,555)+ (0,416)(0,647)+

(0,416)(0,45)+ (0,416)(0,25)+ (0,416)(0,25)+ (0,416)(0,333)+

(0,416)(0,333)+ (0,416)(0,437)+ (0,416)(0,25)+

(0,416)(0,333)+ (0,416)(0,333)+ (0,416)(0,15)+

(0,416)(0,15)+ (0,416)(0,222)+ (0,416)(0,222) = 0,44

V3 = (0,416)(0,444)+ (0,416)(0,4)+ (0,416)(0,588)+ (0,416)(0,5)+

(0,416)(0,555)+ (0,416)(0,647)+ (0,416)(0,5)+

(0,416)(0,647)+ (0,416)(1)+ (0,416)(1)+ (0,416)(1)+

(0,416)(1)+ (0,416)(0,3)+ (0,416)(0,3)+ (0,416)(0,333)+

(0,416)(0,333)+ (0,416)(0,437)+ (0,416)(0,25)+

(0,416)(0,333)+ (0,416)(0,333)+ (0,416)(0,15)+

(0,416)(0,15)+ (0,416)(0,222)+ (0,416)(0,222) = 0,49

V4 = (0,416)(0,222)+ (0,416)(0,2)+ (0,416)(0,235)+

(0,416)(0,312)+ (0,416)(0,111)+ (0,416)(0,117)+

(0,416)(0,1)+ (0,416)(0,117)+ (0,416)(0,375)+

(0,416)(0,222)+ (0,416)(0,235)+ (0,416)(0,2)+ (0,416)(1)+

(0,416)(1)+ (0,416)(1)+ (0,416)(1)+ (0,416)(0,375)+

(0,416)(0,3)+ (0,416)(0,333)+ (0,416)(0,333)+ (0,416)(0,6)+

(0,416)(0,6)+ (0,416)(0,666)+ (0,416)(0,666) = 0,43

V5 = (0,416)(0,555)+ (0,416)(0,4)+ (0,416)(0,529)+

(0,416)(0,687)+ (0,416)(0,111)+ (0,416)(0,117)+

(0,416)(0,1)+ (0,416)(0,117)+ (0,416)(0,25)+ (0,416)(0,222)+

(0,416)(0,235)+ (0,416)(0,15)+ (0,416)(0,2)+ (0,416)(0,2)+

(0,416)(0,222)+ (0,416)(0,222)+ (0,416)(1)+ (0,416)(1)+

(0,416)(1)+ (0,416)(1)+ (0,416)(0,1)+ (0,416)(0,1)+

(0,416)(0,111)+ (0,416)(0,111) = 0,36



V6 = (0,416)(0)+ (0,416)(0)+ (0,416)(0)+ (0,416)(0)+ (0,416)(0)+

(0,416)(0)+ (0,416)(0)+ (0,416)(0)+ (0,416)(0)+ (0,416)(0)+

(0,416)(0)+ (0,416)(0)+ (0,416)(0,2)+ (0,416)(0,2)+

(0,416)(0,222)+ (0,416)(0,222)+ (0,416)(0,25)+ (0,416)(0,2)+

(0,416)(0,222)+ (0,416)(0,222)+ (0,416)(1)+ (0,416)(1)+

(0,416)(1)+ (0,416)(1) = 0,24

Dari perhitungan nilai preverensi untuk setiap alternatif data nilai yang terbesar ada

pada V3, sehingga Data Mining terpilih sebagai alternatif terbaik penentuan konsentrasi

bidang keilmuan untuk tugas akhir mahasiswa jurusan Teknik Informatika.

Dari penelitian yang telah kami lakukan dengan menggunakan sampling data

sebanyak 141 data mahasiswa jurusan Teknik Informatika Universitas Semarang

diperoleh grafik sebagai berikut:

Gambar 1 Grafik Hasil Penelitian

Dari grafik data diatas dapat kita simpulkan bahwa Bidang keilmuan Data Mining

memperoleh 53,69 %, Decision Support System 40,57 % dan Web Development

sebanyak 5,74%.

84 ISSN: 1693-3656


4. KESIMPULAN

Dari penelitian yang telah kami lakukan dengan menggunakan sampling data

sebanyak 141 Mahasiswa diperoleh informasi bahwa mayoritas konsentrasi bidang

keilmuan mahasiswa jurusan Teknik Informatika Fakultas Teknologi Informasi dan

Komunikasi Universitas semarang adalah Data Mining yaitu dengan prosentase 53,69

persen atau 76 Mahasiswa. Dengan hasil penelitian ini diharapkan dapat membantu

mahasiswa dalam menentukan konsentrasi bidang keilmuanya.

Ucapan Terima Kasih

Ucapan terima kasih kepada Kementrian Riset, Teknologi dan Pendidikan Tinggi

Republik Indonesia atas dana Penelitian Dosen Pemula (PDP) Universitas Semarang.

Daftar Pustaka

[1] A. Wahyu Oktaputra and E. Noersasongko, “Sistem Pendukung Keputusan

Kelayakan Pemberian Kredit Motor Menggunakan Metode Simple Additive

Weighting pada Perusahaan Leasing HD Finance,” Progr. Stud. Sist. Inf. - S1,

Fak. Ilmu Komput. Univ. Dian Nuswantoro, Semarang, pp. 1–9, 2014.

[2] N. Hermanto, “Sistem Pendukung Keputusan Menggunakan Metode Simple

Additive Weighting (Saw) Untuk Menentukan Jurusan Pada Smk Bakti

Purwokerto,” Semin. Nas. Teknol. Inf. Komun. Terap. 2012 (Semantik 2012), vol.

2012, no. Semantik, pp. 52–62, 2012.

[3] F. Nugraha, B. Surarso, and B. Noranita, “Sistem Pendukung Keputusan Evaluasi

Pemilihan Pemenang Pengadaan Aset dengan Metode Simple Additive Weighting

( SAW ),” Sist. Pendukung Keputusan Eval. Pemilihan Pemenang Pengadaan

Aset dengan Metod. Simple Addit. Weight., vol. 2, no. 54, pp. 67–72, 2012.

[4] D. Laily and N. Latifah, “Sistem Pendukung Keputusan Untuk Pemberian Bantuan

Usaha Mikro Dengan Metode Simple Additive Weighting,” Maj. Ilm. Inform., vol. 3,

no. 2, pp. 117–129, 2010.

[5] S. Kusumadewi, Fuzzy Multi- Attribute Decision Making (Fuzzy MADM).

Yogyakarta: Graha Ilmu, 2006.



[6] F. Basyaib, Teori Pembuatan Keputusan. Jakarta: Grasindo, 2006.

[7] S. Kusumadewi, Pencarian Bobot Atribut Pada Multiple-Attribute Decision Making

dengan Pendekatan Objektif Menggunakan Algoritma Genetika. Yogyakarta:

Graha Ilmu, 2005.

Date post:	03-Feb-2021
Category:	Documents
Upload:	others
View:	1 times
Download:	0 times

Concentration Determination Disciplines Of Final Project ...1Program Studi Informatika, Fakultas...

Documents